Zhao Junquan

A nagyméretű modelleszköz-hívások összetettsége folyamatosan növekszik, és egyetlen Python-szkript és Jupyter Notebook számára nehéz nagyfrekvenciás, többkörű és több eszközláncú mesterséges intelligencia munkafolyamatokat folytatni. A szétszórt ideiglenes szkriptekhez képest az üzleti oldalnak olyan helyi mesterséges intelligencia munkaállomásra van szüksége, amely tartós, nyomon követhető és méretezhető ahhoz, hogy integrálja a beszélgetés állapotát, a modellkonfigurációt, a kontextustömörítést és a beépülő modulok ütemezését egy hosszú távon karbantartható rendszerbe.

Felelős a Lite Studio termékesítésének előmozdításáért a szétszórt AI-eszközök gyűjteményétől a helyi asztali munkaasztalig, valamint a munkamenet-kezelés, a modellkonfiguráció, a kontextustömörítés, a beépülő modulok hívása és az exportálási hivatkozások képességhatárainak tisztázásáért. Vezesse a tervezési dokumentumok, interfészszerződések és alapvető munkafolyamatok összefésülését, hogy a későbbi funkcionális iterációk egységes referenciával, nyomon követhető rekordokkal és stabil szállítási ritmussal rendelkezzenek.

Egy többeszközös ügynök munkafolyamatban, ha a fő ügynök alapértelmezés szerint tartalmazza az összes keresési, kutatási és végrehajtási eszközt, az könnyen túlzott hívásokhoz vezet a magas költségű API-khoz. Ugyanabban a végrehajtási kontextusban keveri az általános kérdéseket és válaszokat, a kódmódosítást, a könnyű visszakeresést és az alapos kutatást, ami költségpazarlást, elmosódott feladathatárokat és potenciális biztonsági kockázatokat eredményez.

Önállóan felelős az OpenClaw Sentinel megoldás meghatározásáért és szállításáért, a keresési költségek, az eszközengedélyek és a végrehajtási határproblémák absztrahálásáért a többeszközös ügynökökben újrafelhasználható útválasztási irányítási modellekké. Uralja az ügynök viselkedési határait, az eszközhívási stratégiákat, az ellenőrzési folyamatokat és a nyílt forráskódú kiadásokat, így az MCP-hozzáférést hordozható ügynök-eszközkezelő megoldássá alakítja.

A nagy sima szöveges modellek (DeepSeek, Qwen stb.) erős érvelési és kódolási képességekkel rendelkeznek, de önmagukban nincs elképzelésük. Ez a projekt a Xiaomi MiMo v2.5 vizuális modelljét egy szabványos MCP-kiszolgálóba tömöríti, lehetővé téve a csak szöveget tartalmazó ügynök számára, hogy a mimo_image_analyze eszközön keresztül képértési képességeket szerezzen – a fő modell a gondolkodásért, a MiMo pedig az észlelésért felelős.

Függetlenül felelős az egyszerű szöveges ügynök vizuális képesség-kiegészítő megoldásának megtervezéséért és szállításáért, amely a képértési képességet egyetlen modellhívásból telepíthető, konfigurálható és újrafelhasználható MCP-eszközbe csomagolja. Felelős az eszközhasználati forgatókönyvek, a híváshatárok, a biztonsági konfigurációk és a nyílt forráskódú kézbesítési űrlapok meghatározásáért, hogy ez a képesség stabilan elérhető legyen az Agent kliensek, például az OpenClaw, a Claude Desktop és a Cursor számára.

Mivel sokszor napi rendszerességgel kell QR-kódokat generálni vagy elemezni, és a meglévő eszközök tele vannak hirdetésekkel, fizetést igényelnek, és a hálózati környezetre támaszkodnak, ezért úgy döntöttünk, hogy egy tiszta front-end QR kódos Swiss Army Knife-t fejlesztünk, amely nem igényel telepítést és nem jár háttérrel.

Függetlenül felelős a QCode Toolkit terméktervezéséért, interakciós tervezéséért és online szállításáért, meghatározva az eszközök határait a magas frekvenciájú követelmények körül, mint például a QR-kód generálása, szépítése, kötegelt feldolgozása és SVG letöltése. A lényeg annak biztosítása, hogy az eszköz a böngészőoldali zárt hurkot háttérfüggések nélkül tudja teljesíteni, figyelembe véve a könnyű használhatóságot, a megoszthatóságot és a hosszú távú karbantartási költségeket.

A QuanWen.art egy személyi digitális tartalomközpont, amelyet a nulláról fejlesztettek ki egy teljes, hosszú ideig működő webrendszer felépítésével. Integrálja a munkamegjelenítést, a fotócikkeket, a projekt előrehaladását, az AI párbeszédet, a kapcsolatfelvételi leveleket és a háttérkezelést ugyanabba az architektúrába, lehetővé téve, hogy a személyes honlap egyszerre rendelkezzen tartalom közzétételi, adatkarbantartási, hozzáférés-védelmi és folyamatos bővítési lehetőségekkel.

A QuanWen.Art független termék- és mérnöki vezetőjeként ő felel a teljes tervezésért és szállításért a webhely pozicionálásától, a tartalomszerkezettől, a nyilvános megjelenítéstől, a háttérműveletektől a biztonsági üzemeltetésig és karbantartásig. Integrálja a személyes munkákat, a fotócikkeket, a projekt előrehaladását, az AI-beszélgetéseket, a kapcsolatfelvételi leveleket és a vezetői háttérrendszert egy hosszú távú digitális tartalomközpontba, és folyamatosan tartsa fenn annak frissíthetőségét, hozzáférhetőségét és biztonsági határait.

A projekt a QuanWen.Art személyes weboldal ügyfélszolgálati Agentjére épülő felhasználási esetet vizsgálja. A Kaggle két Tesla T4 GPU-jának korlátozott erőforrásai mellett egy 8B méretű, nyílt modell paraméterhatékony finomhangolását tárja fel. Az alapmodell Qwen/Qwen3-8B; kínai instrukciós adatokból készülnek tanítópéldák az identitásra vonatkozó kérdés–válaszokhoz, műszaki magyarázatokhoz, termékszövegekhez és ügyfélszolgálati válaszokhoz. A teljes fejlesztési folyamatot végigveszi az adatok összeállításától a ChatML-sablonra alakításon, a 4 bites kvantált betöltésen és az SFT-finomhangoláson át az adapter mentéséig és visszatöltés utáni következtetési ellenőrzéséig.

A projektért felelős független személyként megtervezte és előmozdította a 8B szintű nyílt forráskódú modell vertikális finomhangolási ellenőrzését a QuanWen.Art ügyfélszolgálati ügynök forgatókönyve alapján. Felelős a képzési célok meghatározásáért, a kínai ügyfélszolgálati és személyazonossági kérdések és válaszok adattartományának kialakításáért, a kísérleti utak tervezéséért alacsony költségű GPU-környezetben, valamint a megvalósíthatósági zárt kör befejezéséért a képzés ellenőrzésétől a webhely ügyfélszolgálati korpuszához való későbbi hozzáférésig.

Egy személyes weboldal nemcsak a látogatóknak szánt vizuális felület, hanem olyan nyilvános tartalmi csomópont is, amelyet a keresőmotorok, az AI-keresőrendszerek és a modelltréning folyamatai megbízhatóan értelmezhetnek. Ez a projekt a QuanWen.Art külső felfedezhetőségét fejleszti: a puszta oldalmegjelenítést robots.txt, sitemap.xml, llms.txt és JSON-LD strukturált adatokat kínáló, géppel olvasható webhellyé bővíti.

Felelős a QuanWen.Art külső felfedezhetőségének és gépi olvashatóságának általános irányításáért, meghatározva a határokat a nyilvános tartalom, a privát útvonalak, a keresőmotorok feltérképezése és az AI bejáróhoz való hozzáférés között. Teljes zárt kör vezetése a stratégiatervezéstől, a tartalom szemantikai rendezésétől az online ellenőrzésig, a személyes weboldalak frissítése a látogató-orientált munkaoldalakról a keresőmotorok, válaszmotorok és nagy modellrendszerek által stabilan értelmezhető közismereti csomópontokká.

A projekt a felhasználói viselkedés megértésére épít gépi tanulásos elemzési folyamatot, és vizsgálja, hogyan segítheti a személyiség előrejelzése a felhasználói csoportosítást és a működési stratégiát.

Felelős a személyiség-előrejelzés kutatási problémájának igazolható adatelemzési feladattá alakításáért, az adatfeldolgozás, jellemzőértelmezés, modell-összehasonlítás és eredménykifejezés körének tisztázásáért.Összpontosítson a modell kimenetének felhasználói szegmentálásba és viselkedési betekintésekbe való rendszerezésére, amelyeket az üzleti oldal is megérthet, vitaalapot biztosítva a későbbi CRM-jelöléshez, A/B teszteléshez és személyre szabott eléréshez.

Videókommentek és szakterületi hírek gyűjtésére folyamatos lekérést, tisztítást és strukturált kimenetet biztosító gyűjtőmotor készült, szakpolitikai kutatáshoz és a közvélemény megfigyeléséhez.

Felelős a szétszórt weboldal-, komment- és híradat-igények újrafelhasználható adatgyűjtési feladatokba rendezéséért, a gyűjtési kör, adatmezők, takarítási kaliber és szállítási formátum pontosításáért.A hangsúly azon van, hogy az egyszeri kézi gyűjtést fenntartható adatkezelési folyamattá alakítsák át, hogy stabil adatforrást biztosítsanak a politikakutatáshoz, a közvélemény megfigyeléséhez és az azt követő hangulatelemzésekhez.